de en es ja ko ru zh

rag-mcp

Name: rag-mcp
Author: johnylira

by johnylira

Overview Schema Source Related Servers Discussions Admin

Python

Hybrid

RAG-MCP Server

Model Context Protocol (MCP) サーバー。Flask、LangGraph、LlamaIndex を使用して RAG 用に構築されています。最小限で機能的、かつ拡張しやすいように設計されています。

概要

HTTP 上の MCP: JSON-RPC 2.0 による POST /mcp。
LangGraph: 関数呼び出しでエージェントをオーケストレーションします。
LlamaIndex: ローカルドキュメントをインデックス化し、RAG で回答します。
Docker: docker compose up --build で完了です。

Related MCP server: DocAgent-MCP

アーキテクチャ

MCP Client  →  Flask /mcp  →  LangGraph Agent  →  Tools
                                                ├─ rag_search (LlamaIndex RAG)
                                                ├─ agora (UTC datetime)
                                                └─ calcular (arithmetic expression)

クライアントはツールを一覧表示し (tools/list)、呼び出します (tools/call)。
ask_agent ツールは LangGraph グラフをトリガーします。LLM が関数呼び出しを使用するタイミングを決定します。
他のツールは MCP によって直接呼び出されます。

前提条件

Docker と Docker Compose (またはローカルの Python 3.11+)。
OPENAI_API_KEY (LLM と埋め込み用)。

プロジェクト構造

.
├── app.py              # MCP server + LangGraph + LlamaIndex
├── data/               # RAG corpus (.md, .txt, .pdf, etc.)
│   └── kb.md
├── requirements.txt    # Python dependencies
├── Dockerfile
├── docker-compose.yml
├── .env                # OPENAI_API_KEY and variables
└── README.md

設定

1. プロジェクトのクローン / 作成

空のディレクトリを作成し、プロジェクトファイルを貼り付けます (「ファイル」セクションを参照)。

2. 環境変数

ルートに .env を作成します:

OPENAI_API_KEY=sk-...
LLM_MODEL=gpt-4o-mini

サポートされている変数:

変数	デフォルト	説明
`OPENAI_API_KEY`	(必須)	OpenAI API キー。
`LLM_MODEL`	`gpt-4o-mini`	LLM と埋め込み用のモデル。
`DATA_DIR`	`/app/data`	RAG 用のドキュメントが含まれるディレクトリ。
`PORT`	`8080`	サーバーポート。

3. RAG データ

ドキュメントを data/ に配置します (例: kb.md、policies.md、manuals/)。サーバーは起動時にすべてをインデックス化します。

最小限の例 (data/kb.md):

# Acme Corp
Support SLA: 4 hours during business hours (UTC-3).
Pro Plan costs USD 49/month and includes 10k RAG queries/day.
P1 incidents must be opened in #sre channel.

実行

Docker (推奨)

docker compose up --build

サーバーは http://127.0.0.1:8080 で実行されます。

ローカル (Docker なし)

pip install -r requirements.txt
export OPENAI_API_KEY=sk-...
export DATA_DIR=./data
python app.py

エンドポイント

`POST /mcp` (JSON-RPC 2.0)

MCP は 3 つの主要なメソッドを使用します:

`initialize`

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":1,"method":"initialize","params":{}
}'

応答:

{
  "jsonrpc":"2.0",
  "id":1,
  "result":{
    "protocolVersion":"2024-11-05",
    "capabilities":{"tools":{}},
    "serverInfo":{"name":"rag-mcp","version":"1.0.0"}
  }
}

`tools/list`

利用可能なすべてのツールを一覧表示します (ask_agent を含む):

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":2,"method":"tools/list","params":{}
}'

`tools/call`

ツールを呼び出します:

curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":3,"method":"tools/call",
  "params":{
    "name":"ask_agent",
    "arguments":{"question":"What is the SLA and how much does Pro cost?"}
  }
}'

応答:

{
  "jsonrpc":"2.0",
  "id":3,
  "result":{
    "content":[{"type":"text","text":"The SLA is 4 hours during business hours (UTC-3). The Pro Plan costs USD 49/month..."}]
  }
}

`GET /health`

シンプルなヘルスチェック:

curl -s http://127.0.0.1:8080/health
# {"ok": true}

利用可能なツール

ツール	説明	InputSchema
`ask_agent`	RAG + 関数呼び出しを備えた LangGraph エージェント。	`{"question": "string"}`
`rag_search`	RAG (LlamaIndex) でベース内のファクトを検索します。	`{"query": "string"}`
`agora`	現在の UTC 日時 (ISO-8601) を返します。	`{}`
`calcular`	安全な算術式を評価します。	`{"expressao": "string"}`

直接使用の例

# RAG direct
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":4,"method":"tools/call",
  "params":{"name":"rag_search","arguments":{"query":"support SLA"}}
}'

# Datetime
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":5,"method":"tools/call",
  "params":{"name":"agora","arguments":{}}
}'

# Calculation
curl -s http://127.0.0.1:8080/mcp -H 'content-type: application/json' -d '{
  "jsonrpc":"2.0","id":6,"method":"tools/call",
  "params":{"name":"calcular","arguments":{"expressao":"(2+3)*4"}}
}'

Cursor / Zed / その他の MCP クライアントとの統合

エディタの設定に追加します (例: ~/.cursor/settings.json):

{
  "mcpServers": {
    "rag-mcp": {
      "url": "http://127.0.0.1:8080/mcp"
    }
  }
}

クライアントは次のことを行います:

initialize を呼び出します。
ツールを一覧表示します (tools/list)。
必要に応じて ask_agent を使用するか、ツールを直接呼び出します。

RAG の仕組み

インデックス化: 起動時に SimpleDirectoryReader が data/ を読み取り、VectorStoreIndex が text-embedding-3-small で埋め込みを作成します。
クエリ: as_query_engine が最も類似した 3 つのチャンクを取得し、LLM が回答を合成します。
更新: 再インデックス化するには、data/ 内のファイルを追加/削除してコンテナを再起動します。

エージェントの仕組み (LangGraph)

agent ノードは bind_tools(TOOLS) で LLM を呼び出します。
tools_condition が決定します: モデルが関数呼び出しを要求した場合は tools ノードに進み、それ以外の場合は終了します。
tools ノードはツールを実行して agent に戻り、agent が最終応答を生成します。

フロー:

START → agent → (tools?) → tools → agent → END

拡張

新しいツールの追加

app.py に追加します:

@tool
def my_tool(param1: str, param2: int = 0) -> str:
    """Clear description of what the tool does."""
    # logic
    return "result"

次に:

TOOLS.append(my_tool)

サーバーを再起動します。ツールは tools/list に自動的に表示されます。

モデルの変更

.env の LLM_MODEL を変更します:

LLM_MODEL=gpt-4o

または、app.py の ChatOpenAI と埋め込みを置き換えて、別のプロバイダー (例: Anthropic、Groq) を使用します。

ベクターストアの変更

VectorStoreIndex を永続ストア (Chroma、Pinecone、Weaviate など) に置き換えます:

from llama_index.vector_stores.chroma import ChromaVectorStore
import chromadb

client = chromadb.PersistentClient(path="./chroma")
collection = client.get_or_create_collection("rag")
vector_store = ChromaVectorStore(chroma_collection=collection)
_index = VectorStoreIndex.from_documents(docs, vector_store=vector_store)

セキュリティとベストプラクティス

認証なしでサーバーをインターネットに直接公開しないでください。
MCP クライアントが同じホスト上にある場合は、内部ネットワーク (Docker) を使用します。
カスタムツールで入力を検証します (特に DB や外部 API にアクセスする場合)。
本番環境では、以下を追加します:
- レート制限。
- 構造化ログ。
- メトリクス (Prometheus、OpenTelemetry)。

トラブルシューティング

`ModuleNotFoundError`

requirements.txt をインストールしたことを確認します。
Docker では、docker compose build --no-cache を実行します。

無効な `OPENAI_API_KEY`

docker compose exec mcp env | grep OPENAI でキーを確認します。
ローカルでテスト: curl https://api.openai.com/v1/models -H "Authorization: Bearer $OPENAI_API_KEY"。

RAG がドキュメントを見つけられない

data/ に有効なファイル (.md、.txt など) があることを確認します。
ログを確認: docker compose logs mcp。
コンテナを再起動して再インデックス化します。

`calcular` のエラー

このツールは単純な算術式のみを受け付けます。
変数、関数、複雑な Python 構文は避けてください。

ファイル

`app.py`

"""MCP Server (JSON-RPC) + LangGraph + LlamaIndex RAG."""
from __future__ import annotations

import ast
import operator as op
import os
from datetime import datetime, timezone
from typing import Annotated, TypedDict

from flask import Flask, jsonify, request
from langchain_core.messages import AnyMessage, HumanMessage, SystemMessage
from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.graph import START, StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from llama_index.core import Settings, SimpleDirectoryReader, VectorStoreIndex
from llama_index.embeddings.openai import OpenAIEmbedding
from llama_index.llms.openai import OpenAI as LlamaLLM

DATA_DIR = os.getenv("DATA_DIR", "./data")
MODEL = os.getenv("LLM_MODEL", "gpt-4o-mini")

# --- RAG: index ./data once on process startup ---
Settings.llm = LlamaLLM(model=MODEL)
Settings.embed_model = OpenAIEmbedding(model="text-embedding-3-small")
_index = VectorStoreIndex.from_documents(SimpleDirectoryReader(DATA_DIR).load_data())
_qe = _index.as_query_engine(similarity_top_k=3)


# --- Function calling: each @tool becomes JSON schema for LLM and MCP ---
@tool
def rag_search(query: str) -> str:
    """Search facts in local base via RAG (LlamaIndex). Use for policies, products, and docs."""
    return str(_qe.query(query))


@tool
def agora() -> str:
    """Returns current UTC datetime (ISO-8601)."""
    return datetime.now(timezone.utc).isoformat()


@tool
def calcular(expressao: str) -> str:
    """Evaluates safe arithmetic. Examples: (2+3)*4, 10/2, 2**8."""
    ops = {
        ast.Add: op.add, ast.Sub: op.sub, ast.Mult: op.mul, ast.Div: op.truediv,
        ast.Mod: op.mod, ast.Pow: op.pow, ast.USub: op.neg,
    }

    def _eval(n):
        if isinstance(n, ast.Expression):
            return _eval(n.body)
        if isinstance(n, ast.Constant) and isinstance(n.value, (int, float)):
            return n.value
        if isinstance(n, ast.BinOp) and type(n.op) in ops:
            return ops[type(n.op)](_eval(n.left), _eval(n.right))
        if isinstance(n, ast.UnaryOp) and type(n.op) in ops:
            return ops[type(n.op)](_eval(n.operand))
        raise ValueError("invalid expression")

    return str(_eval(ast.parse(expressao, mode="eval")))


TOOLS = [rag_search, agora, calcular]


# --- LangGraph: agent ↔ tools until model stops requesting function calls ---
class State(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]


llm = ChatOpenAI(model=MODEL, temperature=0).bind_tools(TOOLS)


def agent_node(state: State) -> dict:
    sys = SystemMessage(content="MCP assistant. Use tools when needed. Respond in English.")
    return {"messages": [llm.invoke([sys, *state["messages"]])]}


_g = StateGraph(State)
_g.add_node("agent", agent_node)
_g.add_node("tools", ToolNode(TOOLS))
_g.add_edge(START, "agent")
_g.add_conditional_edges("agent", tools_condition)  # tools or END
_g.add_edge("tools", "agent")
GRAPH = _g.compile()


def _schema(t) -> dict:
    """Converts LangChain tool to MCP inputSchema."""
    s = t.args_schema.model_json_schema() if t.args_schema else {"type": "object"}
    s.pop("title", None)
    return s


MCP_TOOLS = [
    {"name": t.name, "description": t.description, "inputSchema": _schema(t)}
    for t in TOOLS
] + [{
    "name": "ask_agent",
    "description": "LangGraph agent with RAG + function calling. Pass the user question.",
    "inputSchema": {
        "type": "object",
        "properties": {"question": {"type": "string"}},
        "required": ["question"],
    },
}]


def _run(name: str, args: dict) -> str:
    if name == "ask_agent":
        out = GRAPH.invoke({"messages": [HumanMessage(content=args.get("question", ""))]})
        return str(out["messages"][-1].content)
    fn = {t.name: t for t in TOOLS}.get(name)
    if not fn:
        raise ValueError(f"unknown tool: {name}")
    return str(fn.invoke(args or {}))


# --- Flask: HTTP transport for MCP (JSON-RPC 2.0) ---
app = Flask(__name__)


@app.post("/mcp")
def mcp():
    body = request.get_json(force=True) or {}
    method, rid, params = body.get("method"), body.get("id"), body.get("params") or {}

    if method == "initialize":
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": {
            "protocolVersion": "2024-11-05",
            "capabilities": {"tools": {}},
            "serverInfo": {"name": "rag-mcp", "version": "1.0.0"},
        }})
    if method == "tools/list":
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": {"tools": MCP_TOOLS}})
    if method == "tools/call":
        try:
            text = _run(params.get("name"), params.get("arguments") or {})
            result = {"content": [{"type": "text", "text": text}]}
        except Exception as e:
            result = {"content": [{"type": "text", "text": str(e)}], "isError": True}
        return jsonify({"jsonrpc": "2.0", "id": rid, "result": result})
    if method == "notifications/initialized" or rid is None:
        return ("", 204)
    return jsonify({"jsonrpc": "2.0", "id": rid, "error": {"code": -32601, "message": method}}), 400


@app.get("/health")
def health():
    return {"ok": True}


if __name__ == "__main__":
    app.run(host="0.0.0.0", port=int(os.getenv("PORT", 8080)))

`requirements.txt`

flask>=3.0
langgraph>=0.2
langchain-core>=0.3
langchain-openai>=0.2
llama-index>=0.12
llama-index-llms-openai
llama-index-embeddings-openai

`Dockerfile`

FROM python:3.12-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY app.py .
COPY data ./data
ENV PORT=8080 DATA_DIR=/app/data
EXPOSE 8080
CMD ["python", "app.py"]

`docker-compose.yml`

services:
  mcp:
    build: .
    ports: ["8080:8080"]
    env_file: .env
    environment:
      PORT: "8080"
      DATA_DIR: /app/data
      LLM_MODEL: gpt-4o-mini
    volumes:
      - ./data:/app/data:ro
    restart: unless-stopped
    healthcheck:
      test: ["CMD", "python", "-c", "import urllib.request; urllib.request.urlopen('http://127.0.0.1:8080/health')"]
      interval: 15s
      retries: 5

`data/kb.md`

# Acme Corp
Support SLA: 4 hours during business hours (UTC-3).
Pro Plan costs USD 49/month and includes 10k RAG queries/day.
P1 incidents must be opened in #sre channel.

`.env`

OPENAI_API_KEY=sk-...
LLM_MODEL=gpt-4o-mini

ライセンス

MIT。

This server cannot be deployed

One endpoint for every MCP toolRayrun runs every MCP server behind one URL and holds the credentials. Each call is decided per client, tool, and argument, then recorded.ray.runAd

Maintenance

ActivityMaintained

ResponsivenessNo issues

Resources

GitHub Repository

Need Help?

Related Servers

Related MCP Connectors

docs2mcpOAuth
com.docs2mcp
Query your own PDFs and documents from any MCP client. Every answer cites the page it came from.
RAG Systems Search
1
saagarpatel.dev Portfolio A
io.github.saagpatel
Agent-native MCP server over the public saagarpatel.dev corpus. Read-only, stateless.
Search Documentation Access
82
CustomGPT.ai
ai.customgpt.mcp
The CustomGPT.ai MCP server is a fully managed, RAG-powered endpoint that connects large language models with private knowledge bases and external data sources. It provides tools for retrieval-augmented generation queries (send_message), data ingestion (upload_file), and source listing, enabling AI agents to query private documents like PDFs with high accuracy and real-time citations.
RAG Systems Knowledge & Memory Search
2
agentready-mcp A
io.github.AshutoshRaj97
Query any docs site via MCP. Submit a URL, ask questions, get cited answers.
Documentation Access Search
822

Related MCP Servers

LangChain MCP Demo
RAG Systems Search Text Summarization
shafeequealipt-dotcom
F
license
Not graded
quality
D
maintenance
Enables grounding AI responses in a local document corpus by exposing MCP tools to list, search, and summarize documents, and generating answers using OpenAI.
Updated 3 months ago (2026-06-04 05:39 UTC)
-
DocAgent-MCP
RAG Systems Search Text Summarization
wuliuke
F
license
Not graded
quality
C
maintenance
Enables local document question-answering and retrieval via MCP, supporting multi-turn conversation, intent recognition, and tools for document search, Q&A, and summarization.
Updated 2 months ago (2026-07-14 07:45 UTC)
5
-
AI Document Assistant MCP
RAG Systems AI & Machine Learning Search
yadu0323
F
license
Not graded
quality
B
maintenance
Enables document Q&A, summarization, keyword extraction, and Wikipedia lookup through MCP tools, using RAG with FAISS and Ollama.
Updated a month ago (2026-08-19 17:16 UTC)
-
Agentic RAG Assistant
RAG Systems AI & Machine Learning Autonomous Agents
snehaharurkar
F
license
Not graded
quality
C
maintenance
Enables querying internal documents via a FastAPI REST API and MCP server, using retrieval-augmented generation and an agentic loop that can invoke tools like document search and calculations.
Updated a month ago (2026-08-20 07:01 UTC)
-

RAG-MCP Server

概要

アーキテクチャ

前提条件

プロジェクト構造

設定

1. プロジェクトのクローン / 作成

2. 環境変数

3. RAG データ

実行

Docker (推奨)

ローカル (Docker なし)

エンドポイント

POST /mcp (JSON-RPC 2.0)

initialize

tools/list

tools/call

GET /health